گالری

گالری

11 اسفند 1402

08:44

mag.qpket logo
Search
Generic filters
Search
Generic filters
دسته بندی مطالب
پست های اخیر
ما را در شبکه های اجتماعی دنبال کنید
پیشرفت های جدید در فناوری های تشخیص حریق

پیشرفت های جدید در فناوری های تشخیص حریق

اشتراک گذاری

فهرست مطالب

آتش سوزی در واقع یکی از عوامل اصلی مرگ و میر، خسارت مالی و اختلالات اقتصادی است. تعداد زیادی از حوادث آتش سوزی در سراسر جهان هر ساله باعث ویرانی غیرقابل توصیف و اندازه گیری می شود. برای به حداقل رساندن اثرات آنها، اجرای فناوری های نوآورانه و موثر تشخیص و هشدار اولیه حریق ضروری است. در این مطلب از وبلاگ کیوپیکت قصد داریم به بررسی پیشرفت های جدید در فناوری های تشخیص حریق بپردازیم.

آتش یک ابزار ارزشمند در طول تاریخ بشریت بوده است، با این حال، اگر به دقت کنترل نشود، می تواند فاجعه به بار آورد. با پیشرفت در دستگاه های الکترونیکی، حسگرها، ارتباطات اطلاعاتی و فناوری ها، صنعت ساخت و ساز در حال تجربه تحول است. این امر منجر به ظهور بسیاری از پیشرفت های تکنولوژیکی شده است. انقلاب دیجیتال به طور قابل توجهی به کاهش هزینه های جاری و همچنین بهبود عملکرد کمک کرده است. به همین ترتیب، زمانی که مواد و فناوری های عایق بهبود می یابند و به طور گسترده در ساخت و سازهای ساختمانی مورد استفاده قرار می گیرند، خطر از دست دادن جان و دارایی های مالی در نتیجه آتش سوزی افزایش می یابد.

هدف از این مقاله بررسی تحقیقات و توسعه فناوری تشخیص حریق اخیر، از جمله فناوری حسگرهای نوظهور، فناوری پردازش و نظارت بر سیگنال آتش سوزی، و یک سیستم یکپارچه تشخیص حریق بسیار زودهنگام برای آتش سوزی ساختمان است. برخی نگرانی‌ ها و عملیات‌ های بالقوه مرتبط با فناوری تشخیص حریق مورد بحث و مقایسه قرار می ‌گیرند و جهت ‌ها و دیدگاه ‌های آینده در مورد ساخت حسگرهای آتش پیشرفته نیز ارائه می ‌شوند.

 

نگاهی به آمار جهانی خسارت های آتش سوزی

آسیب پذیری در برابر آتش یک خطر بی وقفه در زندگی روزمره است. از اواخر دهه 1900، کاهش قابل توجهی در تعداد مرگ و میر ناشی از آتش سوزی به دلیل افزایش استفاده از فناوری ها برای جلوگیری یا توقف آتش سوزی، مانند آشکارسازهای دود، اسپرینکلرها، و طرح های تخلیه اضطراری وجود داشته است. حتی با وجود همه این پیشرفت ‌ها، آتش ‌سوزی یک نگرانی مهم باقی می‌ ماند که هر سال حدود 1 درصد از تولید ناخالص داخلی جهانی را هزینه می‌ کند و منجر به از دست رفتن هزاران نفر می ‌شود. تراژدی های آتش سوزی اخیر شامل انفجار بندر بیروت در لبنان در سال 2020، آتش سوزی های 2019-2020 استرالیا، آتش سوزی نوتردام پاریس (کلیسای جامع گوتیک) در سال 2019، آتش سوزی برج گرنفل لندن در سال 2017 و غیره است.

از سال 2013 تا 2017 انجمن بین المللی سازمان آتش نشانی و خدمات نجات (International Association of Fire and Rescue Services) به طور متوسط 1097 مرگ در سال (4 مرگ در روز) در حوادث آتش سوزی در سراسر جهان گزارش کرده است. این امر در سال های اخیر منجر به ظهور چندین تکنیک جدید برای بهبود فناوری های تشخیص حریق و پیشگیری از آتش سوزی شده است. بنابراین، تاکید بیشتری بر ساخت ساختمان ‌ها و سازه ‌های هوشمند در سراسر جهان می‌شود.

 

آتش سوزی نوتردام پاریس (کلیسای جامع گوتیک) در سال ۲۰۱۹
نمایی از آتش سوزی نوتردام پاریس (کلیسای جامع گوتیک) در سال ۲۰۱۹

 

روند توسعه فناوری های تشخیص حریق

در طول دهه گذشته، چندین فناوری جدید تشخیص حریق با پیشرفت در حسگرها، فناوری اطلاعات و میکروالکترونیک و همچنین درک عمیق فیزیک آتش ایجاد شده است. تکنیک ‌هایی برای اندازه ‌گیری هر گونه گاز پایداری که قبل یا در حین احتراق ایجاد شده ‌اند، اکنون در دسترس هستند. معرفی سنسورهای دمای فیبر نوری توزیع شده در کاربردهایی با شرایط آب و هوایی دشوار، مانند تونل ‌ها، راه‌آهن ‌های زیرزمینی و ایستگاه‌ ها، می‌تواند پیشگیری از آتش‌سوزی را فراهم کند.

عناصر مختلف آتش مانند دود، گرما و مونوکسید کربن توسط دتکتورهای متعدد شناسایی می شوند و از یک الگوریتم پیچیده برای تشخیص هوشمندانه تفاوت بین آتش و شرایط غیر تهدید کننده استفاده می شود. علاوه بر این، سیستم های اعلام حریق با سایر سیستم های تاسیسات ساختمان ترکیب می شوند تا هشدارهای کاذب را حذف کنند، تخلیه ساختمان ها را تسریع کنند و به اطفای حریق کمک کنند. طبق گزارش انجمن ملی حفاظت از آتش (NFPA)، در ایالات متحده، تعداد آتش ‌سوزی ‌های بزرگ «خانه ‌ها» در سال‌ های اخیر کاهش یافته است، تا حدی به این دلیل که آشکارسازهای آتش ‌سوزی در ساختمان ‌های مسکونی وارد شده ‌اند.

از سوی دیگر، اما در دهه اخیر، مواد طبیعی مانند چوب جایگزین مواد مصنوعی در عایق حرارتی، مصالح ساختاری، مبلمان و پرداخت شده است. در نتیجه، خطر جان و مال به طور چشمگیری تغییر کرده است، زیرا احتراق مواد مصنوعی نه تنها دود سمی بسیار مضر تولید می کند، بلکه دی اکسید کربن بسیار بیشتری نسبت به مواد طبیعی آزاد می کند و در نتیجه زمان فرار کوتاه تری دارد. در شرایط خاص، آتش ‌سوزی را تنها پس از توسعه کامل می‌توان یافت که به اموال آسیب جدی وارد می‌کند یا باعث تلفات جانی می ‌شود. برای محافظت بهتر از عموم و برآورده ساختن الزامات در حال تحول، فناوری های تشخیص حریق همچنان با موانعی در کاهش هشدارهای کاذب، بهبود حساسیت و مسئولیت پویا و ارائه حفاظت از تاسیسات پرهزینه و پیچیده مواجه است.

 

ابعاد پیشرفت های جدید در فناوری سنسورهای تشخیص حریق

در سال‌ های اخیر، توسعه حسگرهای آتش‌ سوزی از چندین منظر بررسی و خلاصه شده است:

  • حسگرهای شیمیایی مرتبط با تشخیص آتش
  • الگوریتم ‌های تشخیص آتش
  • تشخیص آتش‌ سوزی ویدئویی
  • تشخیص دود ویدئویی
  • مازول های حسگرها
  • سیستم ‌های نظارت بر آتش
  • تشخیص آتش ‌سوزی جنگل
  • سنسورهای حرارت توزیع ‌شده (distributed heat sensors)
  • حسگرهای آتش‌ سوزی برای مکان‌ های خاص و شرایط ویژه

با این حال، هیچ یک از آنها تجزیه و تحلیل جامعی را ارائه نمی دهد که تمام فناوری های آشکارساز آتش سوزی برجسته و در حال ظهور را تا به امروز و همچنین بحث در مورد اینکه چه پیشرفت های بیشتری می توان انجام داد را پوشش دهد.

 

مراحل حریق
مراحل حریق

 

مراحل حریق و طرح های سازه ای برای کاهش خطر آتش سوزی

اشتعال، رشد آتش و در نهایت فلاش اور (flashover) و به دنبال آن مرحله خنک شدن، مراحل توسعه آتش در فضای بسته است. نگرانی اصلی در طول مراحل احتراق و رشد، نجات جان است، جایی که دتکتورهای اعلام حریق نقش بزرگی با تشخیص و هشدار بازی می کنند. 10 تا 15 دقیقه اول آتش سوزی ساختمان، که در طی آن ساکنان ممکن است برای ایمنی از ساختمان خارج شوند، از نظر ایمنی زندگی بسیار مهم است. این نوع حریق به عنوان یک آتش سوزی پیش از فلاش اور توصیف می شود زیرا توسط مقدار سوخت گازی پیرولیز شده در دسترس محدود می شود. (آذرکافت یا پیرولیز (pyrolysis) به تجزیه حرارتی مواد در دمای بالا و اتمسفر خنثی می‌گویند.) هنگامی که فلاش اور اتفاق می افتد، آتش به طور کامل گسترش می یابد. آتش پس از فلاش اور به عنوان آتشی توصیف می شود که با حداکثر توانایی خود با هوای موجود می سوزد.

فلاش اور یک موقعیت بسیار خطرناک و تهدید کننده زندگی برای آتش نشانان است. مدت زمانی که طول می کشد تا یک اتاق به این سطح برسد، بسته به اندازه و هندسه اتاق، محتویات قابل احتراق، تامین هوا، عایق اتاق و مواد شیمیایی لایه بالایی گرم متفاوت است. مطالعاتی برای محاسبه دما، پیش ‌بینی وقوع فلاش اور، به حداقل رساندن اثر آن و ساختن طرحی انجام شده است که بتواند دمای پس از فلاش اور را تحمل کند. یک شعله زمانی که به مرحله کاهش می رسد وارد فاز فروپاشی می شود. پس از تمام شدن سوخت یا اکسیژن شعله کاملا رشد یافته، این مرحله رخ می دهد. با محدود کردن اکسیژن با استفاده از تجهیزات آتش نشانی، آتش را می توان به مرحله تباهی (decay) سوق داد.

آتش‌سوزی ‌های پس از زلزله (Post-earthquake fires) یا (PEFs) یک خطر مخرب ناشی از زمین ‌لرزه‌ های بزرگ است که می‌ تواند خسارات مالی و جانی قابل توجهی را به دنبال داشته باشد. زلزله ‌های بزرگ می ‌توانند اجزای سازه ‌ای و غیرسازه ‌ای از جمله سیستم ‌های اطفاء حریق، سقف ‌های افتاده و پارتیشن‌ ها را تخریب کنند که همگی می‌توانند تشکیل PEF را تشدید کنند. هنگامی که سیستم های اطفاء حریق آسیب می بینند، توانایی آنها در اطفای حریق به طور چشمگیری کاهش می یابد و باعث پخش شدن دود و آتش در سراسر ساختمان می گردد و فرآیند تخلیه ایمن را به خطر می اندازد.

استفاده از مدل‌ سازی اطلاعات ساختمان (Building Information Modeling)  یا (BIM) به عنوان بخشی از مدل ‌سازی و برنامه ‌ریزی برای فرآیند نجات بسیار مهم است. برخی محققان یک چارچوب شبیه‌ سازی مبتنی بر BIM و واقعیت مجازی (VR) برای یک سناریوی نجات آتش ‌سوزی پس از زلزله داخلی پیشنهاد کرده اند که شامل یک روش تصویرسازی دود است که رندر حجم و سیستم ذرات را ترکیب می‌ کند. یافته ‌ها نشان می ‌دهد که سناریوی واقعیت مجازی توسعه ‌یافته از سطح بالایی از واقع‌ گرایی و تعامل بی ‌عیب برخوردار است. همچنین یک مدل کاربردی برای ارزیابی تخلیه در طول یک PEF با استفاده از BIM و PyroSim (نرم افزار شبیه سازی حریق) ارائه شده است، که شامل توسعه دود و آتش شبیه‌ سازی شده در طبقات مختلف است، به این معنی که تجهیزات اضافی مانند پرده‌ های دود و چاه نجات باید در طبقات مختلف ارائه شود.

 

سنسورهای حریق

فناوری های تشخیص حریق به مکان و ماهیت آتش بستگی دارند. در طی یک دوره زمانی، فناوری‌ های تشخیص حریق متعددی تکامل یافته ‌اند. برخی از این روش ها هنوز هم امروزه مورد استفاده قرار می گیرند، در حالی که برخی دیگر در حال منسوخ شدن هستند. جدول زمانی مختصری از توسعه حسگرهای آتش در شکل 1 ارائه شده است.

 

جدول زمانی مختصری از فناوری های تشخیص حریق
شکل 1 : جدول زمانی مختصری از توسعه حسگرهای آتش

 

در تشخیص حریق بر اساس حسگر حرارت، اکثر سیستم های تشخیص حریق فعلی از آشکارسازهای حرارتی نوری الکترونیکی و توزیع شده مبتنی بر ترمیستور استفاده می کنند.

سنجش حرارتی مبتنی بر فروسرخ یک تکنیک مفید است، به ویژه برای تشخیص حرارتی محل مورد نظر مناسب است.

در مقایسه با روش‌ های غیربصری، رویکردهای بصری برای تشخیص دود و شعله به دلیل زمان پاسخ سریع و نرخ خروجی با بی دقتی بسیار کم، تمرکز تحقیقات را به خود جلب می‌ کنند. قابلیت الگوریتمی عالی سیستم های دیجیتال موجود، چشم اندازهای تحقیقاتی جدیدی را برای یادگیری عمیق فناوری های پیچیده مبتنی بر شبکه عصبی باز کرده است.

در میان فناوری ‌های مختلف سنجش گاز، حسگرهای گاز مبتنی بر اکسیدهای فلزی نیمه ‌رسانا به دلیل حساسیت زیاد، اندازه کوچک و کاهش هزینه در عمل مفید بوده ‌اند. با این حال، آنها مشکلاتی در زمینه پایایی (stability) دارند که حل آنها نیاز به مطالعه بیشتری دارد. در حال حاضر، تحقیقات در زمینه سنجش گاز مبتنی بر نانولوله کربنی برای تشخیص آتش نیز در حال انجام است.

سنجش حریق مبتنی بر امواج رادیویی مایکروویو یکی از مهم ترین رویکردهای معاصر به دلیل مزیت اصلی آن در تشخیص حریق در میان موانع مانند دیوارها است.

برای تشخیص حریق، روش همجوشی چند حسگر مبتنی بر شبکه ‌های حسگر بی ‌سیم (Wireless Sensor Networks) یا به اختصار (WSN) و اینترنت اشیا (Internet of Things) یا (IoT) مناسب است.

تکنیک نوظهور جدید سنجش مبتنی بر اکسید گرافن (GO) زمان پاسخ کوتاه فوق العاده ای را نشان داده است. دادن در مواد قابل احتراق، خاصیت مقاوم در برابر آتش و حسگر آتش مطمئناً می تواند حوادث آتش سوزی را کاهش دهد، اما هنوز کار بیشتری برای اجرای عملی آن باید انجام شود. این فناوری های تشخیص حریق فعلی در شکل 2 نشان داده شده است.

 

خلاصه ای از فن آوری های تشخیص حریق رایج
شکل 2 : خلاصه ای از فناوری های فعلی تشخیص حریق

 

سنسورهای حرارتی در فناوری های تشخیص حریق

حسگرهای حرارتی برای اندازه گیری گرمای محیط در یک محل برای تشخیص وقوع آتش سوزی استفاده می شوند. سنسورها به دمایی که مربوط به تغییر مقاومت، جابجایی و ضریب شکست و غیره است حساس هستند. به طور کلی، سه نوع دتکتور حرارتی وجود دارد:

  • دمای ثابت
  • نرخ افزایشی
  • نرخ جبرانی

سنسور حرارتی دمای ثابت زمانی فعال می شود که دما از مقدار آستانه (که در یا بالاتر از 60 درجه سانتی گراد است)، بالاتر رود. دسته های زیادی از سنسورهای دمای ثابت وجود دارد، مانند عنصر فیوز، دو فلزی و فیبر نوری توزیع شده. سنسور حرارتی نوع عنصر فیوز در یک سطح دمایی تنظیم شده بر اساس ذوب عنصر گرمایش عمل می کند و عمدتاً در سیستم اسپرینکلر آتش نشانی استفاده می شود.

سنسور حرارتی دو فلزی بر اساس مکانیسم انبساط حرارتی فلزات کار می کند (شکل 3a). هنگامی که دما افزایش می یابد، نوار دو فلزی با ضریب انبساط حرارتی کم به سمت فلز خم می شود.

سنسورهای گرمای توزیع شده بیشتر به سه گروه تقسیم می شوند: الکتریکی، ترموکوپل های روکش دار و نوری. حسگرهای حرارتی ترموکوپل الکتریکی و روکش دار بر اساس اصل تغییر در مقاومت سیم و دمای سطح کار می کنند (شکل 3b). آشکارسازهای حرارتی نوع الکترونیکی با یک اثر ترموالکتریک کار می کنند که از یک یا دو ترمیستور برای تشخیص دما استفاده می کند. نوع حسگر حرارتی توزیع شده نوری که کاربرد خود را در معادن، تونل ها و خطوط لوله زیرزمینی پیدا می کند، با اصل الگوی نور پراکنده برگشتی عمل می کند.

سنسور حرارتی با حداقل دمای کاری یا محیط دمای آستانه ساخته شده است. نرخ سنسور حرارت جبرانی زمانی فعال می شود که دمای هوا بالاتر از دمای ثابت باشد. بحث بیشتر در مورد هر نوع سنسور حرارتی به شرح زیر است.

 

فناوری های تشخیص حریق حرارتی
شکل 3 : حسگرهای حرارتی: (الف) سنسور نوار دو فلزی اصل کار. (ب) اصل کار ترموکوپل.

 

دتکتورهای حرارتی فیبر نوری توزیع شده

یکی از مطلوب ‌ترین فناوری ‌های نظارت بر حرارت برای کاربردهای ایمنی در برابر آتش، سنسور دمای فیبر نوری توزیع‌شده است. سنسور فیبر نوری بر خلاف سنسورهای حرارتی معمولی از کل فیبر نوری به عنوان رسانه تشخیص استفاده می کند. اندازه گیری دما را می توان در طول کابل فیبر نوری در هر نقطه انجام داد. دمای ثبت شده از 160 تا 800 درجه سانتیگراد متغیر است و تنها با دوام الیاف یا به طور دقیق تر، پوشش اصلی آن محدود می شود.

کابل حرارتی فیبر نوری به دلیل جرم کم خود در مقایسه با سنسورهای حرارت سنتی، به سرعت به تغییرات دما واکنش نشان می دهد. خود کابل فیبر محکم، انعطاف‌ پذیر و سازگار با انواع هندسه است و می ‌تواند مستقیما در مناطق حفاظت‌ شده یا نزدیک آن نصب شود. آنها برای ایجاد حفاظت در برابر آتش در برخی از کاربردها با شرایط محیطی چالش برانگیز، مانند تونل‌ ها، خطوط نقاله، راه‌آهن ‌ها و ایستگاه ‌های زیرزمینی، کارخانه‌ های فولادی و صنایع پتروشیمی مورد استفاده قرار گرفته ‌اند.

حسگرهای حرارتی فیبر نوری توزیع شده برای تشخیص آتش بر اساس پراکندگی رایلی یا رامان  (Rayleigh or Raman scattering) ابداع شدند. به عنوان مثال، یک حسگر کابل پراکندگی ریلی اختراع شده است که از سه جزء اصلی تشکیل شده است: فیبر نوری، یک لوله پر از موم، و یک پوشش محافظ (شکل 4a). موم با گرم شدن در هر نقطه شروع به ذوب شدن و انبساط می کند و تفاوتی در نور منعکس شده ایجاد می کند. حداکثر برد سنجش این سیستم تا 2 کیلومتر است. نقطه ضعف اصلی این سیستم این است که هیچ گونه افزایش دما را در طول زمان تضمین نمی کند و فقط یک زنگ هشدار دارد که دمای بین 40 تا 90 درجه سانتیگراد را هدایت می کند.

 

شکل 4. فیبر نوری: (الف) اصل مقطع معمولی و موجبر. (ب) طرح اولیه تنظیم حسگر آتش و اجزای مختلف پراکندگی در فیبرهای شیشه ای نوری.
شکل 4 : فیبر نوری: (الف) اصل مقطع معمولی و موجبر. (ب) طرح اولیه تنظیم حسگر آتش و اجزای مختلف پراکندگی در فیبرهای شیشه ای نوری.

 

سنسور فیبر نوری پراکندگی رامان، دما را با محاسبه نسبت سیگنال‌ های شدت پراکندگی برگشتی و ضد استوک به عنوان تابعی از دما، حس می ‌کند. سیستم رامان دارای حداکثر برد سنجش تا 4 کیلومتر است و تفکیک مکانی آن بسته به زمان پاسخ و وضوح دما، بین 8 تا 1 متر است. سیستم فیبر نوری پراکندگی نور بریلوین (BLS) یک جایگزین مناسب برای پراکندگی رایلی و رامان برای اندازه‌گیری دما است. BLS با ارزیابی شدت پراکندگی برگشتی بریلوین و تغییرات فرکانس آن به عنوان تابعی از دما، تغییر دما را شتخیص می دهد. شکل b 4 طرح کلی تنظیم و اجزای پراکندگی حسگر آتش برای پراکندگی رایلی، بریلوین و رامان در فیبرهای شیشه ای نوری را نشان می دهد.

علاوه بر این، یک کابل نوری کم‌ هزینه و با راندمان بالا با قابلیت سنجش دما با استفاده از فیبر براگ گریت (Fiber Bragg grating) یا (FBG) ابداع شده است که طول موج‌ های خاص را بر اساس رابطه خطی بین طول موج بازتابی FBG و دمای کابل مسدود می‌ کند. همچنین یک آرایه FBG برای تشخیص آتش کوچک پیاده سازی شده است که می تواند اهداف کوچک را با دقت عالی که کوچکتر از وضوح مکانی هستند شناسایی کند. یک سیستم تشخیص حریق مبتنی بر سنجش دمای توزیع شده فیبر نوری (DTS) برای آتش سوزی های تسمه نقاله صنعتی، علاوه بر اندازه گیری آتش صوتی آکوستیک ابداع شده است. برای آتش سوزی محفظه، یک تکنیک ابزار دقیق پیشنهاد شده است که از حسگرهای فیبر نوری توزیع شده برای ارزیابی دما از طریق تیرهای کامپوزیت کف استفاده می‌ کند.

 

سنسورهای مقاومت حرارتی

بر اساس کاهش اکسید گرافن (Graphene Oxide) یا (GO) در دمای بالا، حسگر آتش مبتنی بر GO یک رویکرد جدید برای تشخیص موثر و به موقع خطر آتش سوزی است. به طور معمول، GO رسانایی الکتریکی پایینی دارد. هنگام مواجهه با آتش یا دمای بالا، GO از طریق تجزیه گروه های عاملی حاوی اکسیژن، مانند گروه های کربوکسیل، گروه های اپوکسی و گروه های هیدروکسیل، از نظر حرارتی به گرافن (rGO) با رسانایی الکتریکی بالا کاهش می یابد. توضیح این رفتار پاسخ برای تشخیص شعله و گرما در تغییر مقاومت الکتریکی GO (عایق) نهفته است که در طی فرآیند حمله شعله به rGO (رسانا) تبدیل می شود (شکل 5a).

یکی دیگر از ویژگی های کلیدی این سنسورها این است که باید در برابر شعله مقاوم باشند تا اطمینان حاصل شود که سیگنال های هشدار تا زمانی که ممکن است دوام می آورند. مواد قابل احتراق (مانند پنبه، کاغذ، چوب و فوم) به عنوان بستر در این حسگرها استفاده می ‌شوند زیرا به آتش و حرارت حساس هستند و به سرعت تجزیه می ‌شوند. همان طور که در شکل 5b نشان داده شده است، پارچه پنبه ای که به عنوان زیرلایه استفاده می شود، هنوز یکپارچگی ساختاری خود را برای هشدار مداوم پس از قرار گرفتن در معرض آتش حفظ کرده است.

 

شکل 5. (الف) کاهش GO ناشی از حرارت. (ب) تصاویر SEM مقطعی از پارچه GO/PDMAEMA/BN قبل و بعد از سوزاندن
شکل 5 : (الف) کاهش GO ناشی از حرارت. (ب) تصاویر SEM مقطعی از پارچه GO/PDMAEMA/BN قبل و بعد از سوزاندن

 

همانند کارهای قبلی در زمینه سنسورهای ضد شعله و هشدار آتش، ساخت یک پوشش ضد شعله مبتنی بر GO راهی امیدوارکننده برای غلبه بر خطر خطرات آتش سوزی در نظر گرفته می شود. به عنوان مثال، برخی محققان از روش پوشش غوطه ور برای ساخت GO/سیلیکون سلسله مراتبی بر روی مواد قابل احتراق استفاده کرده اند. در برخورد با آتش، سیلیکون بازدارندگی لازم در شعله را ارائه می دهد در حالی که نانوصفحات GO تحت کاهش حرارتی قرار می گیرند و یک مسیر رسانایی برای مدار هشدار در 2 تا 3 ثانیه فراهم می کنند. سلولز عملکردی و GO بر روی چوب، پلی اورتان و فوم پلی پروپیلن با استفاده از روش پوشش غوطه‌ وری خود مونتاژ شده توسط برخی محققان ساخته شدند.

 

پیشرفت های جدید سنسورهای گاز فناوری های تشخیص حریق

گازها در هر مرحله از احتراق ساطع می شوند و از ویژگی های منحصر به فرد گاز می توان برای تشخیص مطمئن آتش سوزی استفاده کرد. محققان چگالی CO، CO2، H2، O2 و دود تولید شده توسط آتش چوب، آتش پنبه، آتش پلاستیک، هپتان مایع و آتش های روح را شناسایی کرده اند.

ترکیب شیمیایی دود ناشی از انواع آتش سوزی ها، بسته به منبع آنها، بسیار متفاوت است. CO بهترین از چهار گاز هشدار دهنده فوق است که در هر شش نوع آتش سوزی ظاهر می شود. حسگرهای گاز CO که در دمای اتاق کار می کنند، در مقایسه با آشکارسازهای سنتی به یک منبع کم مصرف نیاز دارند و می توانند در برابر آتش سوزی محافظت کنند، از جمله احتراق مواد آلی که در آن مقادیر قابل توجهی دی اکسید کربن در اوایل فرآیند احتراق منتشر می شود.

پژوهشگران تجزیه و تحلیل کاملی از فناوری سنجش گاز ارائه و گزینش پذیری و حساسیت فناوری های مختلف سنجش گاز را مقایسه کرده اند. مصرف انرژی، زمان پاسخ، برگشت پذیری، قابلیت جذب، پایداری، هزینه های ساخت و سایر پارامترها مورد بحث قرار گرفته است. با اندازه گیری تغییر خروجی سنسور گاز، وجود گازها در یک موقعیت خاص توسط سنسور گاز حس می شود. دتکتورهای گاز موجود بر اساس مهره های کاتالیزوری، نیمه هادی ها، اپتیک، فوتیونیزاسیون، آکوستیک، IR، الکتروشیمی، کروماتوگرافی گازی، سیستم های کالریمتری و غیره هستند.

در مورد خطرات آتش سوزی، مقدار قابل توجهی CO2 منتشر می شود و مضرترین گازها در آتش سوزی CO و HCN هستند. با افزایش میزان CO، میزان اکسیژن کاهش می یابد. تغییرات غلظت کم اکسیژن نشانه دود شدن است، در حالی که تغییر غلظت اکسیژن بالا هشدار احتراق سوخت مایع است.

سنسورهای مهره کاتالیزوری که به عنوان پلیستور نیز شناخته می شوند، رایج ترین عناصر حسگر برای تشخیص غلظت گازهای قابل احتراق در هوا هستند (شکل 6a). آنها می توانند در تجهیزات متحرک و ثابت در معادن و سایر صنایع برای نشان دادن وجود شرایط انفجاری استفاده شوند. یکی از مسائل آن این است که سیگنال های خروجی آنها با تغییرات دمای محیط نوسان می کند. در صورت بروز موقعیت های انفجاری، می تواند منجر به آلارم های کاذب یا عدم پاسخگویی شود. انواع مختلفی از سنسورهای گاز در فناوری های تشخیص حریق استفاده شده است، اما حسگرهای گاز اکسید فلز نیمه رسانا به دلیل هزینه کم، سهولت کار، پایداری بالا و توانایی پاسخگویی به طیف وسیعی از مواد شیمیایی مورد توجه زیادی قرار گرفته اند.

 

شکل 6. حسگرهای گاز: (الف) سنسور گاز قابل احتراق دانه‌های کاتالیزوری. (ب) حسگر مقاومتی مبتنی بر نیمه هادی اکسید فلز (MOS).
شکل 6 : حسگرهای گاز: (الف) سنسور گاز قابل احتراق دانه‌های کاتالیزوری. (ب) حسگر مقاومتی مبتنی بر نیمه هادی اکسید فلز (MOS).

 

سنسورهای گاز نیمه هادی اکسید فلزی

سنسورهای گاز نیمه هادی اکسید فلز (MOS) دارای حساسیت بالا و قیمت پایین هستند. مکانیسم سنجش گاز حسگرهای مبتنی بر MOS اساساً بر اساس تغییرات مقاومت ناشی از فعل و انفعالات شیمیایی بین مولکول های گاز هدف و یون های اکسیژن جذب شده روی سطح MOS زمانی که در معرض گازهای هدف قرار می گیرند.

با این حال، آنها نگرانی های ثباتی دارند که منجر به هشدار نادرست می شود. با اعمال لایه‌های اضافی (مانند زئولیت‌ها) روی اکسیدهای فلزی، می ‌توان تمایز این حسگرها را افزایش داد. برخی از مواد کامپوزیتی نیز عملکرد با کیفیت بهتری را برای حسگرهای گازی از این نوع نشان می دهند.

استفاده از پلیمرها در کاربردهای حسگر گاز در افزایش حساسیت نشان داده شده است، زیرا سطوح دوپینگ آن به راحتی توسط فعل و انفعالات شیمیایی با آنالیت ‌های مختلف در دمای محیط تغییر می ‌یابند و یک تکنیک ساده برای تشخیص آنالیت‌ های گاز ارائه می ‌دهند.

به منظور تشخیص آتش سوزی الکترونیکی، حساسیت امواج صوتی سطحی (SAW) و حسگرهای نیمه هادی اکسید فلزی (MOS) را آزمایش کردند. آشکارساز SAW با ارزیابی تغییر فرکانس ناشی از جذب گاز یا بخار روی سطح کریستال پیزوالکتریک آتش را تشخیص می دهد. رسانایی ورق اکسید فلزی در بخار آلی توسط سنسور MOS اندازه گیری می شود که آتش را تشخیص می دهد.

 

سنسورهای گاز نوری در فناوری های تشخیص حریق

روش تشخیص گاز نوری بر اساس اصول طیف سنجی قابل اعتمادتر و حساس تر است و زمان پاسخ کوتاهی دارد. با این حال، با این رویکردهای تشخیص، مسائل اصلی هزینه بالا و اندازه بزرگ آنها است.

محققان روشی را به شکل مینیاتوری برای ساخت این حسگرهای گاز پیشنهاد کردند. فناوری آنها از نفوذ میکروسیال استفاده می کند و برای تشخیص CO2، CO و برخی گازهای دیگر ایده آل است. همچنین یک حسگر گاز الکترونیکی نوری طراحی شد که می تواند سیگنال های هشدار را قبل از آتش سوزی یا انفجار کنترل و ارسال کند و پارافین، مواد معطر و سولفید هیدروژن قابل اشتعال را در غلظت های پایین تشخیص دهد. علاوه بر این، سنسور گاز توسعه‌ یافته قادر است در شرایط محیطی مختلف از جمله باران، مه، بخارات آبی و گازهای نبولیزه کار کند.

 

سنسورهای گاز آکوستیک

یک روش تشخیص گاز مبتنی بر آکوستیک گزارش شده است که تغییر در سرعت موج صوتی را به دلیل تغییر پارامترهای خاص (مانند جرم) مواد حسگر نشان می‌دهد. گاز اندازه گیری توسط یک پرتو لیزر با طول موج یا شدت مدوله شده عبور می کند. مولکول‌ های پرتو لیزر انرژی را جذب و آزاد می ‌کنند و یک موج صوتی تولید می‌کنند که توسط یک حسگر صوتی حس می‌شود. اندازه موج صوتی اطلاعاتی در مورد غلظت گاز ارائه می دهد.

 

سنسورهای شعله در فناوری های تشخیص حریق

آتش خود منبع تشعشع است که آن را می توان با شناسایی تشعشعات تولید شده در ناحیه احتراق حس کرد. شعله قسمت قابل مشاهده آتش است که در اثر واکنش گرمازا بین سوخت و اکسیدان ایجاد می شود. دمای شعله بستگی به ماده ای دارد که می سوزد. دو ویژگی شعله رنگ (خواص رنگی) و تشعشع است. با تمرکز بر تکنیک های غیر بصری و بصری، دو روش تشخیص شعله وجود دارد. فناوری غیر بصری بر اساس تابش شعله است، در حالی که فناوری بصری بر اساس رنگ شعله است.

تشخیص شعله غیر بصری

تشعشعات ساطع شده از شعله به دمای شعله و نوع سوخت سوزانده شده بستگی دارد. حسگرهای فرابنفش، مرئی و مادون قرمز برای تشخیص حریق توسط دتکتورهای شعله در دسترس هستند و بر اساس طیف آنها دسته بندی می شوند.

محققان یک حسگر شعله بر اساس سه سلول فتوولتائیک طراحی کردند. سه فتوسل به ترتیب باندهای طیفی IR، مرئی و UV را آزمایش می کنند. به دلیل رسوب ذرات معلق در هوا بر روی شیشه گیرنده، نسبت مثبت کاذب در حسگرهای شعله UV افزایش می یابد. دتکتورهای شعله  UV جرقه های طیف UV را منتشر می کنند که به عنوان یک هشدار برای قطع سنسور عمل می کند. پژوهشگران مدلی را با کمک حسگر شعله UV برای حذف ضربه جرقه پیشنهاد کرد. یک آشکارساز نوری مادون قرمز نزدیک (NIR) نیز برای تشخیص شعله پیشنهاد شده است.

 

تشخیص شعله بصری در فناوری های تشخیص حریق

مشکل سنسورهای حسگر آتش، دود، شعله و گاز مرسوم، تاخیر در نقل و انتقال اطلاعات است. برای فعال کردن آنها، برخورد ذرات به حسگرهای نقطه ای زمان می برد و در نتیجه محدوده پوشش محدود مشکل دیگری است. بنابراین، تعداد زیادی سنسور نقطه ای برای پوشش مناطق بزرگ مورد نیاز است. آتش دارای چندین ویژگی است، مانند اندازه، موقعیت، رنگ، رشد، درجه سوختن و بافت پویا. اگرچه تمام این داده‌ ها توسط حسگرهای معمولی قابل جمع‌آوری نیستند، اما برای تأیید منطقی بودن این سیگنال ‌های هشدار به حضور انسان نیاز است، زیرا این حسگرهای سنتی ممکن است سیگنال ‌های هشدار اشتباه ارسال کنند.

همه این نگرانی ها را می توان با استفاده از دوربین ها برای جمع آوری عکس های آتش سوزی و ارزیابی آنها برای تشخیص آتش سوزی تا حد زیادی کاهش داد. به منظور به حداقل رساندن هزینه، می توان از دوربین مداربسته به جای دوربین تشخیص حریق اختصاصی استفاده کرد. دو نوع دوربینی که برای تشخیص شعله استفاده می شود، دوربین های IR و دوربین های مرئی هستند.

برخی دوربین های ابداع شده فرمت های مختلفی از سیگنال های تصویر را ارائه می دهد، مانند JPEG، RGB، RAW و غیره. سپس از این الگوریتم برای پردازش این سیگنال ها برای پیش بینی فریم های آتش یا غیر آتش استفاده می شود. به طور کلی، دو راه برای طراحی الگوریتم وجود دارد. روش اول مبتنی بر یادگیری است و شامل استخراج مجموعه داده ای از عکس های آزمایشی آتش و غیر آتش برای اصلاح دستگاه است. اینها الگوریتم های پیچیدگی عمیق متمرکز بر شبکه عصبی هستند. در این راستا، تحقیقات هنوز در مراحل اولیه است.

 

سنسورهای دود

دود بسیار زودتر از سایر خصوصیات آتش سوزی در طول مراحل رشد و توسعه منتشر می شود. در مراحل اولیه آتش سوزی، تشخیص سریع دود احتمال اطفای موثر آتش، اطفای موفق، فرار و زنده ماندن را افزایش می دهد. از طریق عبور یک پرتو نور یا تابش الکترومغناطیسی از سطح مشترک ذرات، می توان دود را تشخیص داد. غلظت جرم دود، کسر حجمی و انتشار اندازه به عنوان پارامترهای تشخیص اولیه دود شناخته می شوند.

آشکارسازهای دود باید قادر به پاسخگویی به احتراق و دود ناشی از اجسام شعله ور باشند زیرا تفاوت های قابل توجهی در ساختار و ترکیب دود ایجاد شده توسط این آتش سوزی ها وجود دارد. دود تولید شده توسط شعله سوزان اغلب بزرگتر از ذرات محصول احتراق است. آتش در هنگام احتراق دود ایجاد می کند که مجموعه ای از ذرات جامد، ذرات مایع و گازهای موجود در هوا است. برای اندازه گیری دود از تکنیک های غیر دیداری و بصری استفاده می شود.

تشخیص دود غیر بصری

اندازه گیری دود به شرایط احتراق دود بستگی دارد، به عنوان مثال، تجزیه در اثر حرارت، شعله ور شدن، و دود. روش تشخیص دود بر اساس نوع آتش سوزی و محل آن تعیین می شود. فناوری اندازه گیری دود مبتنی بر فوتوالکتریک به طور خاص برای دود کردن استفاده می شود و می تواند آتش را سریعتر تشخیص دهد.

دود با سطح یونیزاسیون هوا توسط دتکتور دود یونیزاسیون اندازه گیری می شود. تشخیص با ایجاد اختلاف پتانسیل بین محفظه ها و اندازه گیری جریان حاصل انجام می شود. توانایی دود در پراکندگی نور با میزان دود موجود در هوا تعیین می شود. با اندازه‌گیری تفاوت پراکندگی نور با استفاده از یک دستگاه نوری، حسگر دود فوتوالکتریک سطح دود را محاسبه می‌کند.

یونیزاسیون آشکارساز دود محفظه (ICSD) آتش ایجاد شده در هنگام رسیدن ذرات دود به محفظه یونیزاسیون را حس می کند و جریان را با تداخل در جریان یون ها تغییر می دهد. حرکت یون ها تحت تأثیر دما، فشار، ترکیب گاز و رطوبت است. یک نوع ICSD با محفظه های یونیزاسیون جدا شده برای انجام حساسیت تشخیص طراحی شده است. یک محفظه کاملاً مهر و موم شده بود و تحت تأثیر محیط قرار نمی گرفت، در حالی که محفظه دیگر در معرض نمونه های هوای محیط بود.

آشکارساز القایی چند نقطه‌ای، که تشخیص دود را با انواع دیگر حسگرها ترکیب می‌کند، گزینه خوبی به نظر می‌رسد که می‌تواند طیف متنوعی از قابلیت‌های تشخیص را ارائه دهد و هشدار تحریک‌کننده را بدون به خطر انداختن حساسیت آشکارساز دود به حداقل برساند.

یک آشکارساز چند حسی برای تشخیص شعله های سوزان و دود با ترکیب تشخیص دود نوری با حسگر حرارتی تولید شد. این مدل جایگزینی برای آشکارسازهای یونیزاسیون، ادغام حسگرهای نوری و حرارتی با الگوریتم های هوش مصنوعی است. سایر تحقیقات سنجش چندوجهی شامل آشکارسازهایی است که حسگر فوتوالکتریک و گاز، حسگر یون و گاز، و فوتوالکتریک و یون را با حسگر حرارتی ترکیب می کنند.

محققان روش‌ های سنجش دود چندحسی را با استفاده از ترکیب‌های مختلف اندازه‌گیری دود، مانند سنجش گاز مبتنی بر فوتوالکتریک و حسگر گاز حساس به یون، برای به حداقل رساندن آلارم ‌های کاذب ارائه کرده اند. همچنین یک آشکارساز ذرات دود با یک فیلم سیلیکونی آمورف را به عنوان منبع تشعشع پیشنهاد کرده اند. یک آشکارساز دود بسیار حساس توسط برخی محققان پیشنهاد شده است که در آن ذرات آلفا بر ترمینال دروازه ماسفت تأثیر می‌گذارند و بار مثبت تولید می‌کنند. افزایش ذرات دود در ناحیه آشکارساز میزان ذرات آلفا را در ترمینال دروازه کاهش می دهد و باعث کاهش جریان می شود که نشان دهنده افزایش میزان دود است. برخی پژوهشگران نیز یک دستگاه تشخیص نوری دود، متشکل از فیبر نوری، LED چند رنگ سفید، پنجره شیشه ای پیرکس و فتودیود برای ارائه اطلاعات در مورد مواد در حال سوختن ابداع کرده اند.

 

تشخیص دود بصری

دود و آتش هر دو را می توان با دوربین تصویربرداری کرد. جریان دود سریع ‌تر است و معمولا در ابتدای آتش ‌سوزی ظاهر می ‌شود، اما در مقایسه با تشخیص شعله، تشخیص آن دشوار است. برای تشخیص شعله و دود، قوانین پیکسلی برای مقادیر R، G، B و مدل‌ها بر اساس فضاهای رنگی مختلف برای نشان دادن نتایج بهتر ایجاد شده‌اند.

برخی محققان دود را از طریق رویکرد بلوک توسط تبدیل‌های کسینوس گسسته و موجک‌ ها تشخیص می دهند. به منظور حذف مثبت های کاذب ناشی از تابع اکتشافی، یک نقشه روشنایی و رویکرد سنجش آتش مبتنی بر الگوریتم شبکه بیزی را پیشنهاد کرده اند که از الگوریتم ماشین ‌های برداری (SVM) پشتیبانی می‌کند. این راهکار به تعداد زیادی فریم نیاز دارد، بنابراین زمان پاسخگویی طولانی است.

در تشخیص مبتنی بر ویدئو، از تحلیل بافت پویا برای تشخیص دود استفاده شده است. برخی محققان یک سیستم تشخیص شعله و دود را بر اساس نشانه های رنگ و حرکت توسعه داده اند. برای افزایش کارایی سیستم، آنها عملیات مورفولوژیکی را انجام دادند.

شبکه‌ های عصبی کانولوشنال (Convolutional neural networks) یا (CNN) سیستم ‌های مبتنی بر بینایی را قادر می‌سازند تا آتش و دود را در حین نظارت پس از پیشرفت‌های اخیر در پردازش تعبیه‌شده تشخیص دهند. این یک نوع فناوری منحصر به فرد است زیرا می تواند الگوهای موجود در تصاویر و فید فوروارد را به طور موثر تشخیص دهد و درک کند. محققان یک پیاده‌سازی هم‌ زمان و تعبیه ‌شده از فناوری تشخیص دود را پیشنهاد کرد که می ‌تواند با دوربین‌های ویدیویی نظارتی معمولی با استفاده از YOLOv2 CNN استفاده شود.

همچنین یک چارچوب تشخیص زودهنگام آتش سوزی برای دوربین های امنیتی مداربسته پیشنهاد شده است که از CNN های تنظیم شده دقیق برای تشخیص دود در انواع سناریوهای داخلی و خارجی استفاده می کنند و به همین ترتیب مدلی برای محیط های مه آلود با استفاده از معماری تقسیم بندی معنایی پیشنهاد کردند. برخی محققان نیز از پیچش های گشاد شده برای تشخیص دود استفاده کرد که کاملا خودکار بود و به دلیل تعمیم، میزان هشدارهای کاذب کاهش یافت. شکل 9 یک مدل پایه از CNN های الگوریتم یادگیری عمیق را نشان می دهد.

 

شکل 7. تصویر شماتیک شبکه‌های عصبی کانولوشنال (CNN) برای تشخیص آتش ‌سوزی.
شکل 7 : تصویر شماتیک شبکه‌های عصبی کانولوشنال (CNN) برای تشخیص آتش ‌سوزی.

 

سنسورهای چندگانه در فناوری های تشخیص حریق

برای تشخیص حریق و حرکت محققان یک مایکروویو fus چند سنسوری را ارائه کردند که در آن تکنیک یون تغییر داپلر یک سیگنال اولتراسونیک برای ارزیابی نوسان در تراکم دود و گرما استفاده شده است. همچنین برخی یک طراحی حسگر بر اساس فرآیند حسی منحصر به فرد اندازه گیری آتش که در نوع خاصی از حشره یافت می شود، پیشنهاد کرده اند.

یک حسگر با استفاده از یک مدار حلقه جریان متشکل از قطعات سیم نیکل متعدد پیشنهاد شده است. هر بخش شامل یک ولتاژ است که می توان آن را با استفاده از یک ریزپردازنده ارزیابی کرد. همچنین رویکردی برای ادغام اطلاعات تنها با یک حسگر پیشنهاد شده است. هر سنسور برای حس کردن یک متغیر خاص ایده‌آل است، با این وجود، در برابر عوامل دیگری که می‌توانند به عنوان سیگنال‌های اختلال یا نویز عمل کنند، آسیب‌پذیر است.

به منظور دستیابی به تشخیص دقیق‌تر آتش، روش جدیدی برای تشخیص آتش با استفاده از میکروهولوگرافی توسط برخی پژوهشگران آزمایش شد. فناوری هولوگرافی میکروسکوپی قادر به تشخیص مدل های سه بعدی ذرات دود آتش است.

 

رادیومترهای مایکروویو برای تشخیص حریق

در شرایط سخت، رادیومترهای مایکروویو نیز می توانند برای تشخیص آتش استفاده شوند. حسگرهای مبتنی بر این فناوری ها در حضور دود، بخار و گرد و غبار به خوبی کار می کنند. این استراتژی ها برای سنجش آتش در مناطق باز مانند جنگل ها مناسب هستند. یک نمونه اولیه رادیومتر باند Ku برای یافته های آتش سوزی جنگل توسط برخی محققان پیشنهاد شده است.

 

امواج صوتی در فناوری های تشخیص حریق

سنسورهای موج صوتی سطحی نیز می توانند در محیط های سخت برای تشخیص آتش استفاده شوند. آنها از نظر اندازه کوچک و قدرتمند هستند و می توانند تحت شرایط فرکانس متغیر و پهنای باند بالا کار کنند. این حسگرها بی سیم، غیرفعال و کمتر تحت تاثیر تشعشع هستند. بنابراین برای سایر زمینه ها مانند صنعت و هوافضا مفید هستند.

با این حال، در طول اندازه گیری فرکانس رزونانس، این سنسورها دارای معایبی هستند. الگوریتمی برای اصلاح این خطاها توسط محققان ارائه شد.  برخی تحقیقات حذف آتش مبتنی بر امواج صوتی را پیشنهاد کرده اند و دریافته اند که امواج صوتی در 30.6 هرتز امواج فرکانسی ایده آلی برای متوقف کردن سریع شعله ها هستند.

 

یادگیری عمیق در فناوری های تشخیص آتش

یادگیری عمیق (Deep Learning) برای رسیدگی به مشکلات چالش برانگیز در حوزه پردازش تصویر دیجیتال، مانند رنگ ‌بندی، طبقه ‌بندی، تقسیم ‌بندی و تشخیص، که جنبه‌های اصلی تشخیص آتش و دود هستند، استفاده می ‌شود. فناوری یادگیری عمیق یک تبدیل انتزاعی مدل غیرخطی و پیچیده را در یک پایگاه داده وسیع گنجانده است.

محققان ترکیبی از یادگیری ماشین و همچنین یک الگوریتم فازی تطبیقی را با دقت تشخیص آتش بالای 95% ارائه کرده اند. این مدل شامل پنج لایه پیچشی و یک لایه کاملاً متصل است که دو کلاس موقعیت آتش سوزی و موقعیت های هشدار را یاد می گیرد.

برخی پژوهشگران نیز مدل تصاویر آتش طبقه بندی شده با استفاده از پیچیدگی قابل تفکیک عمیق و YOLOv3 برای طبقه بندی هدف و رگرسیون موقعیت عرضه کردند که دقت تشخیص 98 درصد با نرخ تشخیص 38 فریم در ثانیه بود.

همچنین با استفاده از تصاویر مجموعه داده های آتش بزرگ برای ایجاد پیش بینی های دقیق، یک الگوریتم پیشرفته YOLOv4 را توسعه داده اند که جرقه های کوچک را در شرایط آب و هوایی مختلف به دقت تشخیص می دهد و در عرض 8 ثانیه پس از وقوع آتش سوزی، زنگ خطر را به صدا در می آورد.

از طرف دیگر، رویکرد همجوشی چندوجهی پیشنهاد شده است که در شناسایی آتش‌سوزی‌ های الکتریکی با مکان ‌یابی خطای قوس الکتریکی که باعث آتش‌ سوزی الکتریکی در سیستم توزیع ولتاژ پایین ساختمان‌ ها می‌شود، کارآمد بود.

در مقایسه با مطالعات قبلی، محققان الگوریتمی با استفاده از ELASTIC-YOLOv3، لوله آتش موقت و هیستوگرام برای تشخیص حریق در زمان واقعی در شب در مناطق شهری پیشنهاد کرده اند که نتایج خوبی در شب نشان داد. یادگیری عمیق مرزهای آنچه را که قبلاً در زمینه پردازش تصویر دیجیتال قابل دستیابی بود، جابجا کرده است.

 

یادگیری عمیق در فناوری های تشخیص حریق
یادگیری عمیق در حال متحول ساختن فناوری های تشخیص حریق تصویری است.

 

خلاصه و چشم انداز پیشرفت های آینده فناوری های تشخیص حریق

چندین سیستم نوآورانه سنجش حریق توسعه یافته در دهه گذشته دارای پتانسیل استثنایی برای کاهش هشدارهای کاذب، بهبود حساسیت به آتش و واکنش سریع و افزایش ایمنی در برابر آتش هستند.

دوره های قبل از فلاش اور و پس از فلاش اور اغلب برای تقسیم مسیر آتش محفظه استفاده می شود. بیان شده است که درک سیر آتش قبل از شعله ور شدن آن برای نجات جان انسان ها حیاتی است و درک ویژگی های آن پس از شعله ور شدن، پایه ای برای ایجاد اقدامات صرفه جویی در اموال می دهد.

در طول یک عملیات نجات، شرایط تخلیه PEFs هم آتش نشانان و هم افراد گرفتار شده را در معرض خطر جدی قرار می دهد که ممکن است با استفاده از BIM با موفقیت با آن مقابله شود.

 

حسگرهای حرارت

سیستم ‌های حسگر حرارت قابل اعتمادتر هستند و آلارم ‌های کاذب کمتری ارائه می‌ کنند، اما در واکنش کند هستند. با به حرکت درآوردن این حسگرهای حرارتی، می توان زمان پاسخگویی آنها را افزایش داد. سنسورهای گرما معمولاً بر روی دیوارها یا سقف ها نصب می شوند و آتش بیشتر از طریق کف پوش پخش می شود. آشکارسازهای حرارتی نوری که از تغییر در ضریب شکست استفاده می ‌کنند، حتی به تغییرات دما نیز بسیار حساس هستند. انجام تحقیقات در مورد کاربرد آنها در سیستم های تشخیص حریق بسیار مهم است و واحدهای کم وزن و کم مصرف آنها باید بتوانند آخرین نیازهای شبکه حسگر بی سیم را برآورده کنند.

حسگرهای حرارتی فیبر نوری به طور گسترده ای در معادن و تونل ها استفاده می شوند. با این حال، آنها برای استفاده در محیط هایی با گالری ها، سالن های بزرگ و فضاهای پیچیده ایده آل هستند. این می تواند بودجه استفاده از تعدادی دتکتور حرارتی نقطه ای در یک ساختمان را جایگزین و به حداقل برساند.

سیگنال تحریک خودکار مستقیم برای شیرهای مورد استفاده در سیستم های اطفاء حریق برای سنسورهای حرارتی سبک دو فلزی ایده آل است. حسگرهای حرارتی بر اساس نرخ تغییر حرارت برای کاربردهای تشخیص آتش ایده آل هستند زیرا یک مقدار دمای مطلق برای احساس خطر آتش سوزی کافی نیست. با این حال، داده های نرخ تغییر را می توان از هر نوع سنسور حرارتی غیر نرخی با تغییر الگوریتم به کار رفته در سیگنال خروجی سنسور حرارتی به دست آورد. این مهم است زیرا سنسورهای حرارتی بدون نرخ سریعتر از سنسورهای حرارت سبک نرخ پاسخ می دهند.

ترمیستور یک سنسور دما کوچک، سبک و پاسخگو است. الگوریتم‌های خطی ‌سازی بهتری ارائه شده‌ اند که می‌ توانند در آرایه ‌های حسگر قرار داده شوند و برای محلی ‌سازی تشخیص آتش مناسب هستند. با این حال، تحقیقات بیشتری برای ارزیابی بازخورد آنها برای آرایه های شکلی مختلف مورد نیاز است. این سنسورها نسبت به سنسورهای حرارتی معمولی با ساختار مکانیکی حجیم تر ترجیح داده می شوند.

 

سنسورهای دود

سنسور دود دارای هشدار کاذب بالایی است، اما ترکیبی از سیستم های حسگر بصری می تواند عملکرد آن را افزایش دهد. دتکتورهای مختلف فرمت ‌های سیگنال متفاوتی را تولید می‌کنند و برای تعامل آنها با سایر بخش‌های سیستم تشخیص حریق، تنظیم سیگنال موثر مورد نیاز است. سخت افزار و الگوریتم های شرطی سازی سیگنال موجود ناکافی هستند و جای زیادی برای بهبود وجود دارد.

 

سنسورهای گاز

مشکلات اصلی اکثر سنسورهای گاز برگشت ناپذیری، فرار و گزینش پذیری کم است و در نتیجه استفاده از آنها در ساختمان ها محدود می شود. حسگرهای گاز نیمه هادی اکسید فلز حساسیت بالایی دارند و ارزان هستند. با این حال، ناتوانی آنها در حفظ تعادل، جبران دما را ضروری می کند. از آنجایی که دما معمولا در هنگام خطر آتش سوزی تغییر می کند، این جنبه حتی مهم تر می شود، زیرا پتانسیل کاهش بهره وری دتکتورهای گاز را دارد. از این رو، انجام تحقیقات تجربی در مورد جبران دمایی CO، CO2، HCN و سایر گازهای خطرناک آتش سوزی تولید شده در هنگام آتش سوزی ضروری است.

غیر خطی بودن یکی دیگر از مسائل مربوط به سنسورهای گاز نیمه هادی اکسید فلزی است. در نتیجه، جبران خسارت در قالب سخت افزار یا نرم افزار نیز برای در نظر گرفتن این جنبه مورد نیاز است. حسگر گاز مبتنی بر نانولوله های کربنی دارای حساسیت بالا، خورندگی کمتر، هزینه کم، زمان پاسخ کوتاه، قابلیت جذب قوی و پهنای باند وسیع است.

سنسورهای گاز نوری بسیار حساس، انتخابی و قابل اعتماد هستند اما وزن زیادی دارند و گرانتر هستند. مطالعات بیشتری برای به حداقل رساندن قیمت و وزن آنها برای کاربرد در سازه های هوشمند مورد نیاز است.

 

روش هاش غیربصری

روش‌های غیربصری سنجش آتش با رویکردهای تشخیص آتش، شعله و دود مبتنی بر دید تکمیل می‌ شوند. هر دو روش تشخیص دوربین مرئی و مادون قرمز دارای مزایا و محدودیت هایی هستند. دوربین های مادون قرمز نزدیک قیمت کمتری دارند، اما برد محدودی دارند. مسائل مربوط به فاصله حرارتی، مسدود کردن IR و بازتاب حرارتی همگی از معایب تکنیک های IR هستند.

 

یادگیری عمیق در فناوری های تشخیص حریق

یادگیری عمیق در مقایسه با تکنیک ‌های بینایی کامپیوتری سنتی، دقت بهتری را در تشخیص آتش، از جمله طبقه‌بندی تصویر، تقسیم‌بندی معنایی، تشخیص اشیا و مکان ‌یابی همزمان امکان ‌پذیر می‌کند. برنامه های کاربردی یادگیری عمیق به تحلیل و تنظیم دقیق کمتری نیاز دارند زیرا شبکه های عصبی به جای برنامه ریزی آموزش داده می شوند و به آنها امکان می دهد از حجم عظیمی از داده های ویدئویی و تصویری موجود در سیستم های امروزی استفاده کنند.

در سیستم سنجش حریق مبتنی بر یک شبکه حسگر بی سیم (WSN)، آشکارسازها به عنوان گره های آشکارساز با سخت افزار ارتباطی داخلی قرار می گیرند. مشکل کلیدی این است که آنها را کم مصرف، پایدار و مقاوم در برابر خطا کنیم.

دتکتور شعله به دلیل تشعشعات مادون قرمز، مرئی و فرابنفش هشدار کاذب بالایی دارد. این تداخلات ناشی از منابع غیر آتش سوزی است و باید جبران شود. نویز EMI/RFI نیز بر عملکرد سنسور تاثیر می گذارد، بنابراین نیاز به مطالعه دارد.

تشخیص و کنترل حریق یک عملیات پیچیده است. به دلیل مراحل مختلف، ظاهر متنوع، رنگ ها، طیف های انتشار، سوخت احتراق و موقعیت، پیچیدگی هایی به وجود می آید. در این شرایط، استفاده از منطق فازی و الگوریتم‌ های مبتنی بر یادگیری عمیق برای بهبود عملکرد فناوری های تشخیص حریق فعلی می‌تواند سودمند باشد. برای به حداقل رساندن آلارم های کاذب، تکنیک های بهینه سازی باید بهبود یابد. پس از تفسیر هم زمان، تمام داده های حسگرهای مختلف باید با توجه به فناوری ترکیب حسگر پردازش و تجزیه و تحلیل شوند.

منبع

mdpi.com

پست های اخیر
پیشنهاد میکنم بخوانید
دیدگاه
دیدگاه
دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

اشترک گذاری